neironne_seti_i_neirokompjuter (1085713), страница 6
Текст из файла (страница 6)
Известно, чтобольшинство финансовых, бизнес и других подобных задач плохоформализуется.2. Устойчивость к частым изменениям среды. Достоинства нейронныхсетей становятся заметными, когда часто изменяются «правила игры»:среда, в которой существует прогнозируемый процесс, а такжехарактер воздействия влияющих факторов. Поэтому, нейронные сетинаилучшим образом подходят для решений таких задач, какпрогнозирование тенденций фондового рынка, характеризующихсявлиянием целого набора постоянно изменяющихся факторов.3.
Результативность при работе с большим объемом противоречивойинформации. Нейронные сети будут предпочтительнее там, гдеимеется очень много анализируемых данных, в которых скрытызакономерности. В этом случае автоматически учитываются такжеразличные нелинейные взаимодействия между влияющими факторами.Это особенно важно, в частности, для предварительного анализа илиотбора исходных данных, выявления «выпадающих фактов» илигрубых ошибок при принятии решений.4. Результативность при работеснеполнойинформацией.Целесообразно использование нейронных сетей в задачах с неполнойили "зашумленной" информацией, а также в задачах, для которыххарактерны интуитивные решения.1.5.1. Постановка задачи прогнозированияЗадача прогнозирования в общем случае сводится к получению оценкибудущих значений упорядоченных во времени данных на основе анализауже имеющихся, а также (при необходимости) тенденции изменениявлияющих факторов.
Прогнозируемой величиной являются значениявременного ряда на интервале [T(n+1), T(n+f)], где T(n) – текущий моментвремени, а f – интервал прогнозирования. Иногда возникает необходимостьне в прогнозе значений временного ряда на заданном интервале, а в прогнозевероятности того, что они будут вести себя тем или иным образом(возрастать, убывать, находиться в некоторых пределах и т.д.).Рассмотрим типовой алгоритм прогнозирования, осуществляемого сиспользованием нейронных сетей (рис. 1.8).30PDF created with pdfFactory trial version www.pdffactory.comРис. 1.8. Типовой алгоритм прогнозирования,осуществляемого с использованием нейронных сетейОтбор значащих факторов.
На первом этапе выделяетсямаксимальное число из значащих, влияющих на прогноз, факторов. Такиедополнительные факторы, влияющие на поведение прогнозируемойвеличины, называют экзогенными (внешними) или артефактами.Здесь же выбирается интервал наблюдения (окно скольжения), т. е.выясняется, по какому количеству предшествующих значений временногоряда осуществляется прогноз.Предобработкаданных.Навторомэтапеустраняютсянесущественные, по мнению эксперта, и не влияющие на прогноз, данные.При необходимости, также, восстанавливается пропущенная информация,устраняются аномальные выбросы, убираются высокочастотные шумы.Умело проведенная предобработка данных позволяет значительно улучшитькачество прогноза.Построение модели. На следующем этапе для данного анализируемогопроцесса выбирается наиболее подходящая парадигма и структуранейронной сети, а также алгоритм и параметры ее обучения.31PDF created with pdfFactory trial version www.pdffactory.comСобственно прогнозирование (получение результата).
Экспериментыосуществляются по схеме, аналогичной той, при которой производилосьобучение.Рассмотрим так называемый метод скользящих окон. Он предполагаетиспользование двух окон Wi и Wo с фиксированными размерами n и mсоответственно. Эти окна перемещаются с некоторым шагом скольжения sпо временной последовательности имеющихся данных, начиная с первогоэлемента. При этом первое окно Wi длиной n формирует входной векторнейронной сети, а второе – Wo – выходной вектор размерностью m.Последовательность обучающих выборок (обучающих пар)Wi ® Woформирует т.н.
блок обучающих или представительских выборок.Пример 1.1. Простейшая модель прогнозирования продажс помощью нейронной сетиДано:Информация об еженедельных продажах компьютеров (табл. 1.4.) зачетыре месяца (число недель k = 16).Таблица 1.4. Данные о еженедельных продажах компьютеров123456789101112131415161009490969194959995981009799989698Получить:Многошаговый и одношаговый прогноз продаж.Пример решения:В данной временной последовательности предполагается наличиескрытых нелинейных зависимостей.
Поэтому для построения моделипрогноза применим нейронную сеть:1. Синтезируем нейронную сеть со следующими параметрами:§ число нейронов входного слоя (ширина окна) n = 4;§ число нейронов выходного слоя m = 1;§ сдвиг (скольжения) s = 1.32PDF created with pdfFactory trial version www.pdffactory.com2. С помощью метода скользящих окон для нейронной сетиформируется блок обучающих (представительских) выборок (табл. 1.5).Очередная обучающая выборка получается в результате сдвига оконWi и Wo вправо на один элемент (s = 1).
Нейронная сеть обучается на данныхвыборках, настраивая свои коэффициенты, и формирует в качестверезультата требуемую функцию прогноза P.Собственно процесс прогнозирования осуществляется после обучениянейронной сети, проводимого по тому же принципу, что и процессформирования обучающей выборки.Таблица 1.5. Блок обучающих выборок нейронной сети,применяемой для целей прогнозирования продаж№обучающихвыборокВходнойслой12Выходнойслой3411009490969129490969194390969194954969194959959194959995и т.д.Нейронная сеть должна обучится на временной последовательности,взятой из табл. 1.4 с использованием блока обучающих выборок из табл.
1.5.Затем, при подаче на вход нейронной сети последней из известных выборок99, 98, 96, 98 (см. конец табл. 1.4), прогнозируется (k+1)-й элементпоследовательности, например, 95.На данном простейшем примере рассмотрим действия примногошаговом и одношаговом прогнозировании.Одношаговое прогнозирование. Применяется для краткосрочныхпрогнозов на один шаг вперед. На очередном текущем шаге в качествеисходной информации используются только объективные данные(результаты прогнозов, полученных на предыдущих шагах, неиспользуются).33PDF created with pdfFactory trial version www.pdffactory.comЕсли на шаге (k+1)-м для временной последовательности, взятой изтабл. 1.4, прогнозируется 95, а на самом деле продается не 95, а 96компьютеров, то на шаге (k+2)-м в качестве входного вектора будетиспользована выборка 98, 96, 98, 96.Многошаговое прогнозирование.
Применяется для осуществлениядолгосрочного прогноза и предназначено для определения основного трендаи главных точек изменения тренда для некоторого интервала времени. Приэтом прогнозирующая система использует результаты прогноза (выходныеданные), полученные для моментов времени k+1, k+2 и т.д. в качествевходных данных для прогнозирования на моменты времени k+2, k+3, k+4 ит.д.Многошаговое прогнозирование на (k+2)-м шаге продолжается приподаче на вход нейронной сети выборки 98, 96, 98, 95, в которой последнийэлемент является результатом прогноза на предыдущем шаге. И так далее.1.5.2.
Прогнозирование в сфере бизнеса и финансовПодавляющее большинство задач прогнозирования на основенейронных сетей так или иначе связаны со сферой бизнеса и финансов. Это –краткосрочные и долгосрочные прогнозы тенденций следующихфинансовых рынков:§ рынков купонных и бескупонных облигаций,§ фондовых рынков (рынков акций),§ валютных рынков.Сюда же можно отнести прогнозы:§ платежеспособного спроса;§ продаж и выручки;§ рисков кредитования;§ финансирования экономических и инновационных проектов;§ фьючерсных контрактов и ряд других.По оценкам экспертов, бум вокруг систем искусственного интеллекта вфинансовой индустрии пришелся на период 1984 - 1989 гг. В основном онзатронул США и Великобританию, где создатели сложных систем длявоенных (таких как программа «Звездные войны») решили попытать счастьяна Уолл-стрит.Фондовая биржа в Нью-Йорке в 1987 году начала использоватьпрограммный продукт прогнозирования Stockwatch Alert Terminal (SWAT) IIи вела переговоры о его внедрении с рядом бирж Европы и региона Юговосточной Азии.
В этот период времени на рынке появляются программныепродукты моделирования и прогнозирования банкротства, анализа портфеляценных бумаг, оптимальной торговли акциями, а также предназначенные дляопределения вероятности риска при выдаче кредита. Подразделение MellonBank в Питтсбурге (США) применило программную систему Neural-WorksProfessional II/Plus 5,0 компании Neural-Ware (Питтсбург, США) для34PDF created with pdfFactory trial version www.pdffactory.comраспределения фондов и специальной селекции акций, так как в ходе работыбыло обнаружено, что между влияющими факторами и прогнозируемымипараметрами существуют нелинейные связи, не поддающиеся точному учетус помощью стандартных статистических методов.ДепартаментторговлиипромышленностиправительстваВеликобритании финансирует две программы, направленные на развитиенейронныхвычисленийвфинансовойсфере.Первая–«Нейропрогнозирование», инициированная Лондонской школой бизнесасовместно с университетским колледжем Лондона (UCL).